海康威视测试一面：简历深挖18问

《面试题目》

1. 自我介绍
2. 为什么选择测试？
3. 所学专业和岗位的联系是什么？
4. 实习做了什么项目？
5. 实习中学到了什么？
6. 如果继续实习，可能还要学或接触什么？
7. 组内几个人，怎么分工？
8. 你在组内担任什么岗位，主要负责什么？
9. 实习中的 AI 应用
10. 学校中学习的基础知识用到实习中的体现
11. 对自己的技术学习或者方向怎么规划？
12. 简历里做的 Python 项目是怎么整的？
13. 编程语言相关
14. 数据库：知道哪些数据库、什么语言、了解到什么程度？
15. AI 相关：使用过 AI 吗？用 AI 做过什么？
16. 怎么在本地搞的 AI？用的什么方法、什么软件、接的什么模型？（提了一嘴就被追问）
17. 别人的评价、个人优缺点，自己怎么看？
18. 反问

《参考解析》

「为什么选择测试」怎么答：避开「开发太难」「测试轻松」这类雷区。可用的逻辑是：测试是质量守门人，需要技术广度（代码、数据库、网络、系统）加系统性思维（风险识别、用例设计）再加沟通推动力；同时结合自己的经历给证据，比如做过 Python 项目、习惯刨根问底找边界、在实习中通过复现问题帮团队提前拦截了缺陷。有具体例子支撑的动机才可信。

测试岗的技术规划：常见路径是功能测试 → 接口/自动化测试 → 性能与专项测试 → 测试开发（平台与工具）。答的时候不要停留在「我要学自动化」，要说清怎么学、用什么：Python + pytest + requests/Playwright 做接口与 UI 自动化，Allure 出报告，Jenkins/GitHub Actions 跑 CI，Locust/JMeter 做性能，Docker 起测试环境。再结合岗位业务讲，比如监控摄像类产品的长稳测试、弱网与断流重连、音视频质量指标（卡顿率、首帧耗时、码率自适应）——把通用能力和业务场景接上，面试官才会觉得你真的想过。

「本地怎么跑 AI」怎么答（这题被追问的概率最高）：要能讲清一条完整链路。硬件层看显存/内存决定能跑多大模型；推理框架按需求选——Ollama 最省事（一条命令拉模型、自带 OpenAI 兼容接口）、LM Studio 带图形界面适合试玩、llama.cpp 适合纯 CPU 和嵌入式、vLLM 或 TensorRT-LLM 适合高吞吐的 GPU 服务；模型选开源的中小尺寸（Qwen、Llama、DeepSeek 蒸馏版），量化格式常见 GGUF/AWQ/GPTQ，7B 的 4bit 量化大约占 4~6GB 显存；上层再暴露 OpenAI 兼容的 /v1/chat/completions，方便现有客户端接入；应用层可以再叠 RAG（向量库 + embedding 模型）或 Agent。常见的追问点是「量化掉多少效果」「显存怎么估算（参数量 × 位宽 / 8 × 1.2 的冗余系数）」「为什么不用云端 API（数据不出内网、成本、离线场景）」。

实习与项目怎么讲：面试官完全按简历问，所以要给简历上每一行准备「做了什么 → 用了什么技术 → 遇到什么问题 → 怎么解决 → 结果」五段式；分工问题要能说清自己负责的边界，别把团队成果说成个人的——被追问细节时很容易露馅。「学校知识怎么用到实习」这类题用具体例子最好：用 Linux 命令定位日志、用 SQL 查出脏数据、用 Python 写脚本把重复操作自动化。

数据库与编程语言：常见就三问——用过哪些库、到什么程度、各自适用场景。能说清 MySQL（关系型、事务、索引）、Redis（缓存、计数、分布式锁、排行榜，五种数据结构）、MongoDB（文档型、灵活 schema）、ES（倒排索引、全文检索与日志分析）的定位就够；SQL 要能现场写 join、group by、order by 和简单的子查询，知道索引与 explain 的作用。语言方面，Python 讲清常用库（requests、pandas、pytest）与虚拟环境，Java 讲清集合、异常、多线程基础。

AI 在测试工作里的用法：用例生成（需求文档转用例草稿后人工评审）、接口与 UI 自动化脚本生成、日志与堆栈分析定位、批量造测试数据、mock 服务、缺陷报告润色。要主动讲边界：公司代码与业务数据不能贴给外部模型，AI 产出的用例必须人工审核，尤其是权限与安全相关场景。

自我评价与优缺点：用「优点 + 例子 + 这个优点可能带来的风险 + 我怎么规避」的结构最扎实，比如「优点是较真、喜欢复现问题，缺点是容易陷进细节，现在会先设时间盒再决定是否深入」。别人的评价可以引用导师或同事说过的一句具体话，比自我断言可信。

反问：这场面试作者问了项目组（监控摄像安全相关方向）和分配机制（统招后按硬件/软件/系统分方向）。可以再补三个更有信息量的问题：新人前半年主要做哪类测试？团队目前的自动化与工具化程度如何？出结果的大致时间节奏是怎样的？